Ein Gespräch mit den Initiatoren des Covidgraph-Projekts, Dr. Alexander Jarasch (Deutsches Zentrum für Diabetesforschung) und Dr. Martin Preusse (Kaiser & Preusse).

LP: Wie kamen Sie auf die Idee, einen Knowledge Graphen für Covid-19 aufzubauen?

Martin Preusse: Wir sind Bioinformatiker und Data Scientist. Als die Pandemie Anfang März sich mehr und mehr ausbreitete, war uns beiden klar, dass Covid-19 auch für die Datenwissenschaft eine enorme Herausforderung wird. Was in den letzten Monaten an Publikationen veröffentlicht wurde, ist für einen Wissenschaftler allein unmöglich zu erfassen. Allein die Covid-19-Open-Research-Datenbank (CORD-19) zählt 44.000 Artikel. Die Johns-Hopkins-Universität aktualisiert stündlich ihre Falldaten. Hinzu kommen unzählige Patentschriften und Studien. Gefragt war daher ein Datenanalytik-Tool, um die Fülle an Informationen nutzbar zu machen. Daher die Idee, einen Knowledge Graphen aufzubauen.

LP: Der Covidgraph soll Wissenschaftlern helfen, Covid-19- relevante Informationen schnell und einfach zu finden. Wie?

Alexander Jarasch: Nun, ein gutes Beispiel ist der Zusammenhang zwischen Covid-19-und Diabetes. In den letzten Monaten haben sich die Hinweise gehäuft, dass bei Menschen mit Vorerkrankungen der Krankheitsverlauf deutlich schwerer ist. Wir wissen aber nicht genau, warum das so ist. Indem wir Daten aus verschiedenen Quellen und Disziplinen, u.a. der Diabetesforschung, in einen Kontext bringen, sind wir in der Lage, diesen Fragen gezielt nachzugehen. Im Graphen lassen sich komplexe Informationen sehr gut visualisieren. Anomalien, Ausreißer oder Muster innerhalb der Daten sind einfach zu erkennen. Das hilft Wissenschaftlern, Zusammenhänge zu untersuchen und herauszufinden, warum bestimmte Patientengruppen einem besonderen Risiko ausgesetzt sind.

LP: Welche Anforderungen stellen sich an zu speichernde Forschungsdaten, z.B. genomische oder molekularbiologische Daten?

Martin Preusse: Besondere Anforderungen gibt es hier eigentlich nicht. Es ist eher so, dass wir dank der hohen Flexibilität von Graphdatenbanken mit einer großen Bandbreite an verschiedenen Daten arbeiten können und uns nicht an das starre Korsett von relationalen Datenbanken halten müssen. Das ist sehr wichtig, da gerade in der biomedizinischen Forschung die Daten hochgradig vernetzt und heterogen sind. Verbesserungen bei den Messmethoden machen es beispielsweise schwierig, Daten aus unterschiedlichen Studien miteinander zu vergleichen. Bei der Modellierung des Graphen kann dieser Umstand berücksichtigt werden. Das gilt übrigens auch für das Mapping zwischen verschiedenen Gen-IDs aus verschiedenen Genomdatenbanken, einem Kernproblem in der Bioinformatik.

LP: Was für Daten können über die genannten Beispiele hinaus in einer Graphdatenbank gespeichert werden? Wie wird die Vergleichbarkeit der Daten gewährleistet?

Alexander Jarasch: Grundsätzlich kann jede Art von Daten in einer Graphdatenbank gespeichert werden, sowohl Metadaten als auch Rohdaten. Ein Großteil der Informationen liegt als Text vor. Aber auch Bilder lassen sich im Graph verlinken oder die Beobachtungs- und Messdaten von Bildern werden im Graphen gespeichert und verknüpft. Natürlich müssen bei der Modellierung der Daten die unterschiedlichen Informationen ein Stück weit normalisiert werden, um sie vergleichbar zu machen. Das heißt aber nicht, dass die Daten an Komplexität einbüßen. Wissen ist komplex und muss komplex sein, wenn es einen Mehrwert für die Forschung haben soll. Graphtechnologie liefert uns hier das Tool, um alles was es an Wissen gibt, auch abbilden und nutzen können.

LP: Wie sieht es mit dem Punkt „Datensicherheit“ aus?

Alexander Jarasch: Im Covidgraph arbeiten wir nur mit öffentlichen Datenquellen, wie der weltweit größten Datenbank für Gen-Ontologie oder dem UN-Report mit offiziellen Zahlen zur Weltbevölkerung. Diese Daten sind für jeden zugänglich – so wie unser Graph übrigens auch. Theoretisch ist es jedoch kein Problem, Datensicherheit und Datenschutz im Graphen selbst zu integrieren. Mit Neo4j zum Beispiel lässt sich ein feingranulares Berechtigungssystem erstellen, so dass nur autorisierte Anwender auf sensible Daten zugreifen können.

LP: Wie geht es weiter mit dem Covidgraph Projekt?

Martin Preusse: Wir wollen mit Wissenschaftler und Forschern an Use Cases arbeiten. Das Sammeln und Verknüpfen von Daten ist wichtig, deshalb soll der Covidgraph auch weiterwachsen. Mehr Daten heißt aber nicht automatisch Wissen zu generieren. Dazu brauchen wir Mitwirkende aus der medizinischen Forschung sowie der Bio- und Pharmaanalytik, die ihre Fragen und Forschungsansätze miteinbringen und im Knowledge Graphen untersuchen. Die Skalierbarkeit von Graphdatenbanken ist nahezu grenzenlos. Jetzt geht es uns darum, dass dort gespeicherte Wissen für die Praxis zu nutzen.